编译feature设置
#cargo.toml推荐依赖，Polars支持更多的特性，会导致编译速度减慢。
[dependencies]
polars = {version="0.43.0",features=["mode","find_many","polars-io","csv","polars-ops","lazy","docs-selection","streaming","regex","temporal","is_unique","is_between","dtype-date","dtype-datetime","dtype-time","dtype-duration","dtype-categorical","rows","is_in","pivot"]}
polars-io = "0.43.0"
polars-lazy = "0.43.0"
完整的编译特性列表：https://docs.rs/crate/polars/latest/features
| 常用特性 | 含义 |
|---|---|
| lazy | 启用lazy API |
| regex | 在col()表达式中支持正则 |
| sql | 支持SQL查询 |
| streaming | 启用数据流，这支持处理数据量大于内存。 |
| random | 生成随机采样的array。 |
| timezones | 时区支持 |
| strings | 字符串提取工具 |
| object | 支持任意数据类型ObjectChunked |
| json | 支持json的序列化和反序列化 |
| serde | 支持serde库序列化和反序列化 |
| serde-lazy | 支持serde库序列化和反序列化 |
| sort_multiple | 支持多列排序 |
| rows | 从行中创建 DataFrame 并从 DataFrame 中提取行。激活数据透视和转置操作。 |
| 这句话的意思是 | |
| asof_join | 支持ASOF连接1操作。 |
| cross_join | 创建两个DataFrame的笛卡尔积2 。 |
| is_in | 判断值是否在Series中 |
| is_between | 判断是否在上下限之间。 |
| zip_with | 将两个Series进行Zip运算。 |
| arg_where | 返回满足条件的索引 |
| unique_counts | 支持唯一值计数 |
| rank | 计算秩 |
| interpolate | 对Series的缺失值进行插值 |
1
在数据处理中，"连接"是指将两个或更多的数据集根据一些共享的键（key）或列合并在一起。通常，这种连接要求键的值必须完全匹配。然而，ASOF连接是一种特殊的连接方式，它不要求键的值完全匹配，而是允许根据最接近的键进行连接。这在处理时间序列数据时特别有用，因为你可能想要将数据连接到最接近的时间点，而不是精确匹配的时间点。例如，如果你有一份包含股票价格的数据，每行数据都有一个时间戳，你可能想要将这份数据与另一份包含经济指标的数据进行连接，这份数据也有时间戳，但时间戳可能并不完全匹配。
2
数据处理中，"笛卡尔积"是指两个数据集的所有可能的组合。例如，如果你有两个DataFrame，一个包含A、B两行，另一个包含1、2两行，那么这两个DataFrame的笛卡尔积将包含四行：(A, 1)，(A, 2)，(B, 1)，(B, 2)。